在Python中，您可以对行进行混洗，然后选择最上面的行：

import org.apache.spark.sql.functions.rand

dataset.orderBy(rand()).limit(n)

你可以试试sample（）方法。不幸的是，你必须给予分数而不是数字。你可以这样写函数：

def getRandom (dataset : Dataset[_], n : Int) = {
    val count = dataset.count();
    val howManyTake = if (count > n) n else count;
    dataset.sample(0, 1.0*howManyTake/count).limit (n)
}

说明：我们必须取一小部分数据。如果我们有2000行，而您希望得到100行，则必须取总行数的0.5。如果您希望得到比DataFrame中更多的行，则必须得到1.0。调用limit（）函数以确保四舍五入是正确的，并且您没有得到比指定更多的行。
编辑：我在其他答案中看到了takeSample方法.但请记住：
1.它是RDD的方法，而不是Dataset，因此您必须执行以下操作：dataset.rdd.takeSample(0, 1000, System.currentTimeMilis()).toDF() takeSample将收集所有值。
1.请记住，如果您想要获取非常多的行，那么您将遇到OutOfMemoryError问题，因为takeSample正在驱动程序中收集结果。

我更喜欢这个在pyspark

df.sample(withReplacement=False, fraction=desired_fraction)

这是医生

在Pyspark〉= 3.1中，请尝试以下操作：

sdf.sample(fraction=1.0).limit(n)